2025年臺灣財務金融學會年會暨國際研討會-TEJ實務講座_運用機器學習提升因子投資策略績效
2025臺師大財金年會_TEJ分享機器學習應用於因子投資策略的實證成果
2025年臺灣財務金融學會年會暨國際研討會，於6月6日在國立臺灣師範大學盛大舉行！本次年會以「人工智慧與財務金融」作為大會主題，透過多元角度探討財務金融的應用。TEJ獲邀實務講座，以「運用機器學習提升因子投資策略績效」為主題，分享如何運用量化分析方法在台股市場的實證研究成果。
從研究流程拆解難題，打造更穩健的價值因子策略
依循正規的量化研究流程，一步步從資料擷取、資料預處理、因子建立與分析，到策略回測與績效評估，逐步拆解實務中遇到的難題。運用機器學習方法，結合TEJ TQuant Lab量化分析工具，打造出更具預測能力與穩健性的價值型因子投資策略。
👉延伸閱讀：這是有效的因子嗎？透過量化工具分析價值因子的表現
透過TQuant Lab助攻，強化因子投資績效
透過TQuant Lab的完整應用流程，加速資料擷取、因子建構、模型訓練、回測驗證與績效評估等流程的分析效率與品質。其中，價值因子如益本比（EP）、淨值股價比（BP）、自由現金流（FCFP），在經由Pipeline資料處理與標準化、縮尾等預處理後，再透過不同機器學習模型（線性回歸、Ridge、Lasso與梯度提升）建立新的預測因子，顯著提升模型的穩定性與預測能力。
實證結果：GDBT模型表現最佳，Top Quantile組適合用於建立純多頭策略
透過Alphalens-tej與Zipline-tej工具進行回測與因子分析，研究發現以梯度提升迴歸（GDBT）模型建立的價值因子，在Long Only投資組合策略下具有最佳的報酬表現與穩定性。其Top Quantile投資組合累積報酬明顯優於大盤；而在Long & Short策略下，Ridge模型也展現相對穩健的表現。
同時，透過Pyfolio-tej進行進階績效分析顯示，該策略的年化報酬率、最大回撤、季節性表現與資金使用效率皆具備實務投資應用潛力。尤其最高分位數Top Quantile投資組合的年化周轉率維持在合理水準，有助於控制交易成本、提升可投資性。
解決量化分析過程的挑戰，TQuant Lab為最佳幫手
價值投資的核心理念是買進市場價格低於其內在價值的股票，像是運用益本比(EP)、淨值股價比(BP)…等財務指標作為衡量依據。然而多因子組合會面臨「價值陷阱」與「多重共線性」等實務挑戰，透過機器學習與財務資料整合可有效提升因子策略績效。
在量化研究的過程中，「TQuant Lab」量化投資工具將成為最佳幫手：
- 具Point-in-time特性資料庫：可避免前視偏誤與倖存者偏差，樣本具有穩定性
- 高效資料處理：Pipeline計算、篩選與整併因子資料，Alphalens-tej分析因子報酬、周轉率
- 擬真回測引擎：Zipline-tej回測納入交易成本、初始資金規模及再平衡週期設定，模擬真實交易
- 視覺化績效分析結果：Pyfolio-tej快速產出報酬與風險圖表，提升決策效率
TQuant Lab 加速量化分析流程，一站式搞定財務金融資料與回測分析
TQuant Lab，是TEJ獨家開發的一站式回測平台。憑藉TEJ本身擁有的資料庫，其廣納多項營運面、交易面、財務面數據，並確保歷史資料的完整性。再搭配 TQuant Lab 量化分析工具，從資料整合、 多因子分析、回測與績效分析，產出視覺化報表，全方位提升量化分析的效率！
想嘗試TQuant Lab如何協助您的量化分析流程，點擊下方按鈕立即了解！
延伸閱讀
【量化分析】用 Alphalens 剖析因子表現，價值因子篇
留言 0